Мульти-таймфреймовые Drummond-патчи и JEPA-предобучение для краткосрочного прогноза розничных OHLC-рядов

Предложен метод построения инвариантных к масштабу представлений временных рядов розничной выручки на базе трехбарной (по трем соседним периодам) геометрии Драммонда (DG), расширенной мульти-таймфреймовым контекстом (день, частичная календарная неделя и скользящая 7-дневка). На этих «патчах» выполнено self-supervised предобучение по схеме Joint-Embedding Predictive Architecture (JEPA) со спатио-темпоральным маскированием, после чего модель дообучена с выходными слоями, оценивающими неопределенность, для прогноза на следующий день и следующую неделю. Проанализированы свойства аффинной инвариантности признаков и идентифицируемости недельной фазы; эмпирически продемонстрировано улучшение по сравнению с сильными базовыми моделями на реальных данных.

геометрия Драммонда, Joint-Embedding Predictive Architecture (JEPA), временные ряды, Open-High-Low-Close (OHLC), розничная торговля, краткосрочный прогноз, самообучение

1. Fildes R., Ma S., Kolassa S. Retail forecasting: Research and practice // International Journal of Forecasting. 2022. Vol. 38, No. 4. P. 1283–1318. https://doi.org/10.1016/j.ijforecast.2019.06.004

2. Lim B., Arik S.O., Loeff N., Pfister T. Temporal Fusion Transformers for interpretable multi-horizon time series forecasting // International Journal of Forecasting. 2021. Vol. 37, No. 4. P. 1748–1764. https://doi.org/10.1016/j.ijforecast.2021.03.012

3. Hyndman R.J., Athanasopoulos G. Forecasting: Principles and Practice. 2nd ed. Melbourne: OTexts, 2018. 380 p. Cited pp.: 183–220, 221–274, 347–368.

4. Oreshkin B.N., Carpov D., Chapados N., Bengio Y. N-BEATS: Neural basis expansion analysis for interpretable time series forecasting // arXiv preprint arXiv:1905.10437. 2019. https://doi.org/10.48550/arXiv.1905.10437; Challu C. et al. NHITS: Neural hierarchical interpolation for time series forecasting // Proceedings of the AAAI Conference on Artificial Intelligence. 2023. Vol. 37, No. 6. P. 6989–6997. https://doi.org/10.1609/aaai.v37i6.25854

5. Yue Zh. et al. TS2Vec: Towards Universal Representation of Time Series // Proceedings of the AAAI Conference on Artificial Intelligence. 2022. Vol. 36, No. 8. P. 8980–8987. https://doi.org/10.1609/aaai.v36i8.20881

6. Hearne T. Drummond Geometry: Picking Yearly Highs and Lows in Interbank Forex Trading // Breakthroughs in Technical Analysis: New Thinking from the World’s Top Minds / ed. by D. Keller. Princeton: Bloomberg Press, 2007. P. 1–19. https://doi.org/10.1002/9781119204749.ch1

7. Dawid A., LeCun Y. Introduction to Latent Variable Energy-Based Models: A Path Towards Autonomous Machine Intelligence // Journal of Statistical Mechanics: Theory and Experiment. 2024. No. 10. Art. 104011. https://doi.org/10.1088/1742-5468/ad292b (arXiv:2306.02572).

8. Assran M. et al. Self-supervised learning from images with a joint-embedding predictive architecture // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 2023. P. 15619–15629. https://doi.org/10.1109/CVPR52729.2023.01499

9. Park Y.J. et al. A scalable and transferable time series prediction framework for demand forecasting. 2024. arXiv preprint arXiv:2402.19402. https://doi.org/10.48550/arXiv.2402.19402

10. Ragab M., Liu Q., Jia W., Chen M., Yun U. Self-Supervised Learning for Time Series Analysis: Taxonomy, Progress, and Prospects // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2024. Vol. 46, No. 10. P. 6775–6794. https://doi.org/10.1109/TPAMI.2024.3387317

11. Voloshin T.A., Zaitsev K.S., Dunaev M.E. Application of adaptive ensembles of machine learning methods to the problem of time series forecasting // International Journal of Open Information Technologies. 2023. Vol. 11, No. 8. P. 57–63.

12. Diebold F.X., Mariano R.S. Comparing Predictive Accuracy // Journal of Business & Economic Statistics. 1995. Vol. 13, No. 3. P. 253–263. https://doi.org/10.1080/07350015.1995.10524599